Microring Resonator Dispersion Metrology with Neural Networks

Resumo Técnico: Metrologia de Dispersão de Ressonadores de Anel Micrométrico com Redes Neurais

Definição do Problema
O conhecimento preciso da dispersão do ressonador, decorrente tanto das dimensões geométricas quanto das propriedades dos materiais, é crítico para a fotônica integrada não linear de alto desempenho, como osciladores paramétricos ópticos e pentes de frequência (frequency combs). Embora medições diretas ao nível de fabricação (por exemplo, imagem de seção transversal ou elipsometria) ofereçam insights limitados, a caracterização óptica completa para metrologia de dispersão precisa é demorada e inadequada para a produção em escala de fundição (foundry). Métodos não destrutivos existentes muitas vezes falham em capturar contribuições de dispersão geométrica, e a análise destrutiva é impraticável para o monitoramento de processos em escala de wafer. Há uma necessidade de um método rápido e não destrutivo para vincular assinaturas de dispersão óptica mensuráveis aos parâmetros geométricos e de material subjacentes do dispositivo.

Metodologia
Os autores propõem um framework de aprendizado de máquina (ML) utilizando três arquiteturas distintas de redes neurais treinadas em conjuntos de dados gerados numericamente. Os conjuntos de dados simulam um ressonador de anel micrométrico de nitreto de silício (Si$_3$N$_4$) com um raio externo fixo (23 $\mu$m) e variações de altura (620–720 nm) e largura (750–950 nm) do anel. A dispersão do material é modelada usando equações do tipo Sellmeier com quatro conjuntos distintos de parâmetros (SM1–SM4), representando diferentes razões de gases amônia-a-silano durante a deposição.

O framework aborda três problemas complementares:

1. Regressão Inversa (Predição de Geometria): Uma rede neural profunda (20 camadas ocultas) prediz a largura e a altura do anel a partir de espectros de dispersão integrada ($D_{int}$).
2. Classificação Inversa (Identificação de Material): Uma rede de classificação identifica o modelo Sellmeier específico (razão de gás) usado no material com base nos dados de $D_{int}$.
3. Predição Direta (Síntese de Dispersão): Uma rede de regressão prediz os coeficientes de um polinômio de sexta ordem para reconstruir o espectro completo de $D_{int}$ diretamente a partir das dimensões do anel, evitando a necessidade de simulações numéricas repetidas.

O estudo avalia rigorosamente a robustez do modelo introduzindo ruído controlado ($\pm$50 MHz e $\pm$200 MHz) para simular incertezas de medição realistas e analisa o impacto do subamostragem espectral (variando o número de pontos de dados de $D_{int}$ utilizados).

Principais Resultados

• Precisão de Predição de Geometria: Em condições sem ruído, o modelo de regressão alcança precisão sub-nanométrica (< 1 nm) para largura e altura. Sob ruído realista ($\pm$50 MHz), a precisão permanece alta com erros < 8 nm usando aproximadamente 45 amostras de dispersão. Em níveis de ruído mais altos ($\pm$200 MHz), os erros aumentam para aproximadamente 16 nm. O modelo demonstra que a predição da altura é geralmente mais robusta do que a da largura devido à maior sensibilidade de $D_{int}$ às variações de altura.
• Classificação de Material: A rede de classificação alcança > 99% de precisão na identificação do modelo Sellmeier correto em todas as condições de ruído. Esta tarefa mostra-se significativamente mais robusta ao ruído do que a regressão de dimensões, pois diferentes razões de gás produzem perfis de $D_{int}$ distintamente moldados.
• Eficiência de Amostragem: O estudo constata que as amostras de dispersão coletadas longe da frequência da bomba (onde a curvatura espectral é maior) são as mais informativas. Embora 45 amostras sejam suficientes para sistemas de alta precisão, mesmo uma amostragem reduzida (ex: 6 amostras) produz resultados razoáveis para cenários de baixo ruído, embora a precisão degrade com altas razões de gás, onde as curvas de $D_{int}$ tornam-se mais planas.
• Predição Direta: A rede direta reconstrói com sucesso os espectros de dispersão a partir de entradas geométricas, fornecendo uma alternativa rápida aos solvers de modos próprios (eigenmode solvers) para avaliação de design.
• Resiliência ao Ruído: Os modelos exibem alta resiliência a jitter de frequência e perturbações estocásticas, funcionando efetivamente como filtros não lineares que priorizam a curvatura espectral global sobre flutuações localizadas.

Significância e Alegações
O artigo afirma estabelecer um framework de aprendizado de máquina bidirecional que vincula respostas ópticas mensuráveis ($D_{int}$) aos parâmetros de fabricação subjacentes (geometria e material). Os autores postulam que esta abordagem oferece uma ferramenta rápida e não destrutiva para controle de qualidade em escala de wafer e monitoramento de processos em fundições fotônicas. Ao demonstrar que um conjunto limitado de frequências de ressonância escolhidas criteriosamente pode permitir a predição precisa de dimensões mesmo com ruído de medição realista, o trabalho sugere um caminho para superar os gargalos dos métodos de caracterização atuais. A capacidade de realizar tanto tarefas inversas (caracterização) quanto diretas (predição de design) dentro deste framework destaca o potencial do ML para acelerar o desenvolvimento e a implementação de sistemas fotônicos avançados sem a necessidade de testes destrutivos ou varreduras ópticas exaustivas.